feat: 添加 JD-R 理论分析模块与 SHAP 可解释性分析功能

- 后端新增 JD-R（工作要求-资源）理论维度数据生成，包含工作要求、工作资源、
    个人资源、中介变量共 16 个新特征列
  - 新增 JD-R 分析服务与 API（维度统计、倦怠投入分析、双路径中介分析、
    分组轮廓、风险分布）
  - 新增 SHAP 可解释性分析模块（全局重要性、局部解释、特征交互、依赖图）
  - 预测服务增加风险分类模型加载与概率预测能力
  - 前端新增 JD-R 分析页面（JDRAnalysis.vue），含雷达图、散点图、路径分析等可视化
  - 预测页面增加风险概率展示与 SHAP 特征解释
  - 路由与导航菜单同步更新

backend/services/shap_service.py

@@ -0,0 +1,31 @@
+from core.shap_analysis import SHAPAnalyzer
+
+
+class SHAPService:
+    """SHAP 可解释性分析服务"""
+
+    def __init__(self):
+        self._analyzer = None
+
+    def _ensure_analyzer(self):
+        if self._analyzer is None:
+            self._analyzer = SHAPAnalyzer()
+
+    def get_global_importance(self, model_type='random_forest'):
+        self._ensure_analyzer()
+        return self._analyzer.global_shap_values(model_type)
+
+    def get_local_explanation(self, data, model_type='random_forest'):
+        self._ensure_analyzer()
+        return self._analyzer.local_shap_values(data, model_type)
+
+    def get_interactions(self, model_type='random_forest', top_n=10):
+        self._ensure_analyzer()
+        return self._analyzer.shap_interaction(model_type, top_n)
+
+    def get_dependence(self, feature_name, model_type='random_forest'):
+        self._ensure_analyzer()
+        return self._analyzer.shap_dependence(feature_name, model_type)
+
+
+shap_service = SHAPService()